ICPR 2026 Competition on Privacy-Preserving Person Re-Identification from Top-View RGB-Depth Camera (TVRID)

Riepilogo Tecnico: Competizione ICPR 2026 TVRID

Enunciato del Problema
Il Re-Identificazione delle Persone (Re-ID) si basa tradizionalmente su immagini RGB, dove l'identità è dedotta dal colore e dalla texture degli indumenti. Tuttavia, questo approccio presenta due limitazioni critiche: la vulnerabilità a fattori del mondo reale come i cambiamenti di punto di vista e l'occlusione, e le significative preoccupazioni per la privacy nella sorveglianza pubblica a causa dell'esposizione di indizi visivi identificativi personali. Sebbene l'acquisizione di dati di profondità offra un'alternativa che preserva la privacy catturando la struttura 3D e sopprimendo gli indizi basati sul colore, i dataset esistenti con vista dall'alto mancano di supporto per variazioni geometriche controllate (ad esempio, salita e discesa) che alterano significativamente le proporzioni corporee percepite. La competizione ICPR 2026 TVRID (Re-Identificazione delle Persone RGB-Profondità con Vista dall'Alto) colma questa lacuna valutando le prestazioni del Re-ID in condizioni attente alla privacy, vincolate dalla modalità e cross-modalità.

Dataset e Configurazione della Competizione
La competizione si basa sul dataset TVRID, composto da 86 identità acquisite da quattro telecamere Intel RealSense D455 sovrastanti sincronizzate. La configurazione di acquisizione include variazioni geometriche strutturate attraverso quattro punti di vista distinti:

1. Piano: Passaggio canonico su terreno pianeggiante.
2. Salita: Movimento ascendente su una scala a pioli.
3. Discesa: Movimento discendente su una scala a pioli.
4. Obliquo: Vista obliqua elevata dal tetto.

Ogni soggetto è registrato due volte per telecamera (direzioni IN/OUT), risultando in flussi RGB e Profondità accoppiati e sincronizzati a 15 FPS. Il dataset include ritagli pre-calcolati delle persone per facilitare pipeline end-to-end.

La competizione ha valutato tre tracce distinte:

• Traccia 1 (Re-ID RGB): Re-ID standard utilizzando immagini RGB, che funge da baseline superiore.
• Traccia 2 (Re-ID Profondità): Re-ID che preserva la privacy utilizzando solo mappe di profondità, testando la robustezza contro spostamenti geometrici senza indizi cromatici.
• Traccia 3 (Re-ID Cross-Modal RGB↔Profondità): Recupero in cui la query e la galleria appartengono a modalità diverse (ad esempio, query RGB contro galleria di profondità), testando l'apprendimento di rappresentazioni invarianti alla modalità.

La valutazione è stata condotta utilizzando CMC@1 (Caratteristica di Corrispondenza Cumulativa al Rango-1) e mAP (Precisione Media Media) attraverso tre scenari basati sulle telecamere: all'interno della telecamera (IN/OUT), salita contro discesa, e piano contro obliquo.

Approcci Metodologici delle Migliori Classifiche
La competizione ha attratto 147 partecipanti, con 33 invii finali sul set di test nascosto. I metodi con le prestazioni migliori nelle varie tracce hanno utilizzato architetture avanzate di deep learning e strategie di training specifiche:

• Traccia RGB:

  • Hien Pham Duy et al. hanno raggiunto il 100% di CMC@1 utilizzando un backbone ViT-Base con campionamento PK consapevole dell'identità e aumentazioni centrate sulla persona (ad esempio, cancellazione dello sfondo, cancellazione di parti del corpo). Hanno impiegato il pooling medio per l'aggregazione delle sequenze e il riordinamento k-reciproco.
  • Carlo Metta ha utilizzato un backbone ConvNeXt-Base con ArcFace e perdite triplet hard per batch, impiegando la validazione incrociata a 5 fold e l'ensemble.
  • Oron Nir et al. hanno applicato MINER (Modellazione della Varianza Inter- e Intra-Persona), un framework di apprendimento contrastivo basato su EVA-CLIP DIFFER, focalizzandosi sull'estrazione di negativi/positivi difficili per apprendere rappresentazioni invarianti alla vista.

• Traccia Profondità:

  • Jin-Hui Jiang et al. (98,86% CMC@1) hanno adattato VSLA-CLIP con un backbone ViT-Base/16. Hanno utilizzato un'ottimizzazione ciclica a due stadi che coinvolge moduli adattativi temporali addestrabili e perdite cross-modalità (contrastiva supervisionata, distillazione MSE, InfoNCE) per modellare indirettamente gli embedding di profondità tramite supervisione RGB.
  • Oron Nir et al. hanno adattato il framework MINER convertendo le mappe di profondità in profondità inversa, normalizzandole e applicando una mappa di colori spettrale per creare input pseudo-RGB compatibili con il backbone del transformer visivo.
  • Md Rashidunnabi et al. hanno proposto una pipeline basata su sequenze utilizzando ResNet-50 con pooling di attenzione temporale, addestrata con una combinazione di classificazione dell'identità, perdite triplet e perdita center su dati RGB-Profondità accoppiati.

• Traccia Cross-Modal:

  • Md Rashidunnabi et al. (99,84% CMC@1) hanno impiegato XM-VSLA, un adattamento di VSLA-CLIP che tratta il Re-ID RGB-Profondità come un problema di allineamento visione-linguaggio in uno spazio di embedding condiviso, guidato da prompt testuali condizionati dall'identità.
  • Jin-Hui Jiang et al. e Oron Nir et al. hanno sfruttato rispettivamente i framework VSLA-CLIP e MINER, utilizzando un allineamento contrastivo esplicito cross-modalità e architetture a doppio encoder per minimizzare la discrepanza tra le rappresentazioni RGB e di profondità.

Risultati Chiave
I risultati finali hanno stabilito una chiara gerarchia di difficoltà: RGB > Profondità > Cross-Modal.

• Traccia RGB: I sistemi migliori hanno raggiunto prestazioni quasi perfette (100% CMC@1, 100% mAP).
• Traccia Profondità: Le prestazioni sono diminuite significativamente rispetto al RGB, con il sistema migliore che ha raggiunto il 98,86% di CMC@1 e il 99,38% di mAP. La mediana aggregata mAP per la traccia è stata del 49,82%, indicando una sfida sostanziale per i sistemi basati solo sulla profondità.
• Traccia Cross-Modal: Questo è stato il compito più difficile. Il sistema migliore ha raggiunto il 99,84% di CMC@1 e il 99,92% di mAP, ma la mediana aggregata mAP è stata solo del 23,30%. Il divario di prestazioni tra Profondità e Cross-Modal è stato di circa 16,44 punti in mAP.

L'analisi qualitativa ha suggerito che l'accoppiamento di campioni con vista piana contro la telecamera obliqua è stata la configurazione più difficile.

Significato e Affermazioni
Il documento posiziona TVRID come un benchmark riproducibile per il Re-ID delle persone con vista dall'alto, basato sulla profondità e cross-modalità. I suoi contributi principali sono:

1. Dataset: Fornire un dataset RGB-Profondità sincronizzato con variazioni geometriche strutturate (piano, salita, discesa, obliquo) che sono comuni nelle implementazioni reali ma sottorappresentate nei precedenti benchmark.
2. Protocollo: Stabilire un framework di valutazione unificato che valuta simultaneamente le prestazioni di riconoscimento, la robustezza alla modalità e i compromessi privacy-prestazioni.
3. Insight:
   • I risultati confermano che, sebbene l'acquisizione di dati di profondità riduca la precisione media di recupero rispetto al RGB, è possibile ottenere forti rappresentazioni invarianti alla modalità.
   • Il successo del recupero cross-modalità (query RGB $\to$ galleria di profondità) sfida l'assunzione secondo cui la profondità è intrinsecamente rispettosa della privacy. Gli autori sostengono che se la profondità può essere collegata in modo affidabile alle firme di identità RGB, la protezione della privacy diventa una proprietà condizionata dipendente dai modelli di minaccia e dal controllo degli accessi, piuttosto che una garanzia automatica.
   • La geometria della telecamera (in particolare i cambiamenti di elevazione) rimane un fattore di stress chiave per i sistemi Re-ID.

Il documento conclude che TVRID funge non solo da benchmark di valutazione, ma anche da quadro per discutere i rischi operativi per la privacy nei moderni sistemi Re-ID, evidenziando la necessità di interpretazioni sfumate della privacy nel contesto del collegamento cross-modalità.